由于越来越多的用户同时活跃在多个社交网络中,大量的研究人员已经开始广泛关注不同社交网络之间的网络对齐研究,以利用多个社交网络的信息进行跨域链接预测、跨域推荐和跨域信息扩散等任务。网络对齐问题指的是将没有直接关联关系的两个社交网络通过同一用户实体在不同的社交网络的用户账户来关联起来,同一用户实体在两个不同社交网络的账户之间构建的隐式链接关系我们通常称之为锚链接。现有的网络对齐研究大多基于用户资料信息建立锚链接分类模型或直接根据用户在社交网络中邻域结构的相似性来进行网络对齐。这些方法忽略了社交网络中用户资料信息的不可靠性以及不同社交网络的用户社交结构的异质性,从而影响了网络对齐的效果。受到网络嵌入表示在单一社交网络中成功应用的启发,越来越多的研究人员开始将网络嵌入表示的方法应用到多社交网络的对齐问题中,以充分挖掘用户在社交网络中的潜在信息表示。然而,现有的基于网络嵌入表示的网络对齐方法在对用户在社交网络中的复杂交互行为进行建模时,往往会压缩并简化用户在社交网络中的关联关系,且通常忽略了用户和其邻居用户间的不同影响权重以及对应用户特征之间的不同影响权重。近年来,图神经网络(GNNs)的研究已经证明了其在挖掘不规则图结构信息的学习任务中的优势,而社交网络恰好是由用户实体关联而构成的图结构。鉴于此,本文研究基于图神经网络的网络对齐,并通过结合注意力机制,提出了一种基于双层图注意力神经网络的网络对齐方法。首先,本文将注意力机制和图神经网络相结合,提出了一种包含用户图注意力层和特征图注意力层的双层图注意力神经网络模型。其中,用户图注意力层用于建模用户与其邻居用户之间的不同影响权重,从而学习到用户级别的节点表示向量;而特征图注意力层则用于建模用户和其邻居用户的不同特征之间的影响权重,从而学习到特征级别的节点表示向量。然后本文利用门控机制来将不同视角得到的用户节点表示向量进行融合,以学习源社交网络和目标社交网络中每一个用户的节点表示向量。最后,基于学习到的两个社交网络的节点表示向量,本文提出了一种节点表示向量空间双向对齐策略来对齐不同社交网络间的相同用户实体,从而保证不同网络间的用户实体满足一对一对齐的约束。本文使用两个不同类型的社交网络数据集验证了本文提出的网络对齐方案。实验结果表明,和现有的主流网络对齐算法相比,本文提出的基于双层图注意力神经网络的网络对齐方法具有更高的准确率和更好的鲁棒性。本文首先对网络对齐的研究现状和相关技术进行了展开介绍,并分析了现有网络对齐方法存在的问题。然后我们详细阐述了本文提出的基于双层图注意力神经网络的网络对齐方法,给出了本文方案的设计与实现。最后,分析了我们在不同类型的社交网络数据集上针对本文提出的网络对齐方案的实验结果,并总结了本文的工作以及下一步研究方向。